View
4
Download
0
Category
Preview:
Citation preview
Identificación de lagunas de Alta Montaña en el Perú mediante técnicas de
Teledetección Espacial y Modelos de Elevación Digital.
Tulio Chávez Espíritu
Daniel Colonia Ortiz
Edwin Loarte Cadenas
Iván Albornoz Albornoz
Alex Zambrano Ramírez
Autoridad Nacional del Agua – ANA
Unidad de Glaciología y Recursos Hídricos, Av. Confraternidad Internacional Oeste Nº167 -
Huaraz, Perú
glaciologia@ana.gob.pe
Abstract. This research shows the main applications of the different techniques of remote sensing from space for
the identification of water bodies in high mountain areas. The use of different indexes such as the EVI
(Enhanced Vegetation Index) and NDWI (Normalized Difference Water Index), determine certain precision in
the delimitation. However, both indexes show major and minor small distortions because to topographic shadow
effect, which creates confusion in the identification of pixels representing water bodies, therefore some
misclassification of them. To improve the accuracy of the application of thresholds of water through rates, it has
been generated an Digital Elevation Model (DEM), subsequently was established auxiliary layers in raster
formats of hillshade and slope, which were placed as a condition within a classification and finally, it has been
discriminated information that does not correspond (shadows) automatically in the processing of satellite images.
Through these applications it is possible to eliminate misclassified pixels, avoiding devote more time editing and
focus in correcting and validating the lakes coverage.
Keywords: EVI, NDWI, DEM, remote sensing, slope, hillshade.
1. Introducción
En las zonas de alta montaña del Perú, principalmente donde se encuentra las cordilleras
nevadas, se albergan una gran cantidad de lagunas, que son de gran aporte hídrico y de
importancia económica en el país. La Oficina Nacional de Evaluación de los Recursos
Naturales, ONERN (1980) realizó los primeros inventarios de lagunas a nivel nacional; y
actualmente la Unidad de Glaciología y Recursos Hídricos de la Autoridad Nacional del Agua
(ANA), vienen realizando la actualización del Inventario Nacional de Lagunas Altoandinas.
Debido a los diferentes procesos de deglaciación ocurridos en los últimos periodos, se ha dado
la formación de nuevas lagunas con gran potencial hídrico para la planificación. Se
determinarán los índices espectrales como EVI (Enhanced vegetation Index) por Huete et al.
(1994) y NDWI (Normalized Difference Water Index) por Gao Bo-Cai (1996), para la
identificación de las lagunas, a partir de imágenes Landsat 5TM, se mejorará la clasificación
mediante la aplicación del Modelo de Elevación Digital (DEM), con la extracción de sombras
topográficas, que limitan realizar una buena clasificación de los índices espectrales. Estas
aplicaciones definirán con mayor exactitud los límites de los espejos de agua. Así mismo la
aplicación de otros métodos que usualmente son muy complicados como la corrección
topográfica desarrollado por Teillet et al. (1982) para imágenes de satélite, solo alcanzan a
tener leves mejoras, que finalmente implica un trabajo netamente manual para su edición y
corrección. Para el presente trabajo se ha tratado disminuir estos errores y se ha aplicado
técnicas de procesamiento más viables y rápidas. A continuación se muestran los diferentes
procesos de corrección de imágenes y el uso del DEM como ayuda a la clasificación de
lagunas en zonas de alta montaña. La utilización de los índices apropiados juega un papel
importante para una clasificación automatizada. El trabajo fue realizado en la cordillera
Chonta, que está constituida por cinco grupos de montañas nevadas, bastante distanciados
entre sí, ubicados en el ramal occidental de los Andes del Centro, formando la divisoria de
Anais XV Simpósio Brasileiro de Sensoriamento Remoto - SBSR, Curitiba, PR, Brasil, 30 de abril a 05 de maio de 2011, INPE p.7836
7836
aguas continentales; entre los paralelos 12º36´- 13º13’ y meridianos 75º00’-76º00’. Se
extiende con una orientación noreste en aproximadamente 90Km, destacando como el pico
más elevado el nevado Palomo con 5290 m.s.n.m. Se seleccionaron estas zonas porque
concentran la mayor cantidad de lagunas en las cordilleras nevadas centrales.
Figura 1. Mapa de ubicación de la cordillera Chonta.
2. Metodología de Trabajo
2.1 Corrección de imágenes de satélite Landsat 5/TM
En la corrección radiométrica de imágenes, se realizó la calibración es sus niveles de
radiancia y reflectancia propuestos por Chander y Markham (2003), obteniendo de las
imágenes la reflectancia aparente según la siguiente ecuación:
isunk
senk
E
DLk
cos
* (1)
Donde: k* = Reflectancia planetaria o reflectividad aparente; senk
L= Radiancia espectral
recibida por el sensor en la banda k en mw/(cm2.sr.µm); D = Es el factor corrector de la
distancia Tierra-Sol en unidades astronómicas; sunkE = Irradiancia solar media fuera de la
atmósfera en mWsr-1cm-2 µm-1, i = Ángulo cenit del Sol.
Cuadro 1. Datos de la imagen utilizada en la investigación.
DATOS LANDSAT 5 TM
Fecha 2009-06-30
Azimut Solar 41.0673
Elevación del sol 42,1454
La corrección geométrica se realizó con un promedio de 100 puntos de control obtenidos
de la cartografía base del Instituto Geográfico Nacional (IGN) a escala 1/100 000, con sistema
de Proyección cilíndrica (Transversal Mercator), sistema de coordenadas UTM, zona 18 Sur
con Datum WGS84.
Anais XV Simpósio Brasileiro de Sensoriamento Remoto - SBSR, Curitiba, PR, Brasil, 30 de abril a 05 de maio de 2011, INPE p.7837
7837
2.2 Generación del DEM
El Modelo de Elevación Digital (DEM) fue generado a partir de la información
cartográfica del Instituto Geográfico Nacional (IGN), a una resolución espacial de 30m, y una
escala de salida de 1/100 000, la información cartográfica incluye: curvas de nivel, ríos y
lagunas; y mediante un Software ArcGis se han obtenido el DEM, con el mejor detalle
posible.
2.3 Generación de modelos de sombras
A partir del DEM se ha generado modelos de sombras, usando un Software ENVI, en el
cual se usó un umbral menor al 0.60 (60%), como se muestra en la sección A (Figura2). Por
la tanto han permitió extraer los efectos de sombra en las zonas de alta montaña o convexas,
que usualmente su respuesta espectral se comportan igual como los cuerpos de agua, por
consiguiente presenta confusiones al momento de su identificación.
Figura 2. Identificación de sombras (color anaranjado) (A) y Mascara de sombra (color negro)
que serán excluido del procesamiento y de color blanco incluidos en el procesamiento (B).
2.4 Generación de capas de pendientes
Las capas de pendientes se han generado a partir del DEM, usando un Software ENVI.
Así mismo se obtuvieron capas con superficie < 20% de pendiente que fueron incluidos en el
procesamiento como una condición para agrupar los cuerpos de agua, como se observa en la
sección A (Figura 3). Posteriormente a este procesamiento, se han generado una máscara con
superficies >20% de pendiente, cuya información permitirá sobre la imagen satelital (Landsat
5 TM) discriminar información que no corresponde a los cuerpos de agua, por efecto del
sombreado topográfico. En este proceso no se han podido descartar en su totalidad el
sombreado, pero mejora los limites de los espejos de agua.
Figura 3. Visualización de capas pendientes (color verde) menores al 20% (A), y Mascara
(color negro) de pendiente mayores al 20% excluidos del procesamiento, y de color blanco
incluidos en el procesamiento (B).
A
B
A
B
Anais XV Simpósio Brasileiro de Sensoriamento Remoto - SBSR, Curitiba, PR, Brasil, 30 de abril a 05 de maio de 2011, INPE p.7838
7838
2.5 Determinación de índice
Existen diferentes métodos, que son aplicados para ciertos trabajos específicos. En este
estudio se ha evaluado la aplicaciones de dos índices: En primer lugar el EVI (Enhanced
vegetation Index) por Huete et al (1994) y por último el NDWI (Normalized Difference Water
Index) por Gao Bo-Cai (1996), para la discriminación automátizada de lagunas que se
encuentran localizadas en zonas de alta montaña, que frecuentemente presentan confusión
con la sombra por el efecto de la topografía (pendientes fuertes). Posteriormente se ha
utilizado imágenes Landsat 5TM, con fecha de 30 de Junio del 2009, después que fueron
corregidas geométrica y radiométricamente para la obtención de los índices espectrales. La
utilización de ambos índices muestra ciertas mejoras de identificación de agua en
comparación con otros métodos. También se contrasto con otros métodos alternativos de
clasificación supervisada, cuyos resultados no son satisfactorios al momento de definir los
límites de los espejos de aguas.
1. Enhanced Vegetation Index (EVI):
12*5.73*6434*5.2
TMTMTMTMTMEVI (2)
2. Normalized Difference Water Index (NDWI):
4242
TMTMTMTMNDWI
(3)
Figura 4. Representación gráfica de valores de una imagen Landsat 5TM en EVI (A) y
NDWI (B)
2.6 Determinación de cuerpos de agua
Mediante la aplicación de umbrales, se procedió la extracción de los cuerpos de agua para
ambos índices, con valores <0.019 para el EVI y valores >0.2 para el NDWI. Posteriormente
está información fue modelada con los mapas de sombras y pendiente, para el filtrado de los
píxeles mal clasificado. Finalmente la información ráster, es transformada en formato
vectorial, y luego es integrada a los Sistemas de Información Geográfica, para una evaluación
más detallada de su geometría y el ajuste de los polígonos mediante superposición de las
capas vectoriales sobre la imagen satelital.
EVI
NDWI
B
A
Anais XV Simpósio Brasileiro de Sensoriamento Remoto - SBSR, Curitiba, PR, Brasil, 30 de abril a 05 de maio de 2011, INPE p.7839
7839
Figura 5. Extracción de lagunas mediante máscaras (A) y posicionamiento de capas
vectoriales de lagunas sobre una imagen de satélite Landsat 5TM (B).
Corrección de
Imágenes
Imágenes
de Satélite
Determinación
de EVI y NDWI
Cartografía
Generación del
DEM
Generación
de
Pendientes
Generación
de Sombras
Determinación de
cuerpos de agua
Cobertura ráster
de lagunas
Fin de Proceso
Cobertura vectorial
de lagunas
Identificación de
cuerpos de agua
Mascara de
Sombras (<30%)
Mascara de
Pendientes
(>30%)
Figura 6. Diagrama de Identificación de lagunas
3. Resultados y Discusión
La utilización de EVI por Huete et al.(1994) y el NDWI por Gao Bo-Cai (1996) para la
identificación de lagunas mediante imágenes de satélite Landsat 5 TM, muestran buenos
resultados en la delimitación de los espejos de agua. Sin embargo se ven limitadas en zonas
donde existe presencia de sombras topográficas. Existe otros procesos de corrección de
imágenes de satélite, como es la corrección topográfica que se basan en las modificaciones de
los valores de reflectancia, en el contexto de superficies lambertiana y no lambertiana según
Teillet et al. (1982) y Meyer et al. (1993); Sin embargo estos procedimientos resultan muy
complicados debido que solamente se puede conseguir una leve mejora, no muy significativo
en la caracterización de lagunas. Por esta razón, se aplicó otros métodos directos, prácticos y
sencillos, como la generación de capas de sombras y pendientes a partir del DEM, de esta
manera se pudo excluir otra información teniendo en cuenta las condiciones topográficas de
las lagunas. Finalmente la generación de modelos sombras y pendientes ayudan a mejorar la
calidad de información mediante un proceso automatizado. En consecuencia, se disminuye el
tiempo en el proceso de corrección y ajustes de la cobertura de lagunas. Según Matsushita et
A
B
Anais XV Simpósio Brasileiro de Sensoriamento Remoto - SBSR, Curitiba, PR, Brasil, 30 de abril a 05 de maio de 2011, INPE p.7840
7840
al. (2007), el EVI muestran ser más sensibles a los efectos de la topografía, como se puede
observarse en la figura 7 en la sección A, las sombras de topografía crean confusiones con los
cuerpos de agua, y en la sección B, se muestra la corrección mediante capas de sombras y
pendiente, que reflejan una buena corrección.
Figura 7. Comparación de dos imágenes en EVI, (A) aplicación de umbrales sin corrección
de sombreado y pendiente, (B) con aplicación de corrección de sombra y pendiente.
Al evaluar de ambos índices, el NDWI muestra tener menores variaciones espaciales en
zonas de alta montaña, como puede observar en la figura 8, sección A, presencia de pocos
píxeles en zona de sombras. En la Sección B, muestra una corrección al aplicar las capas de
sombra y pendiente. Se ha determinado que la aplicación de las capas auxiliares ayuda a
realizar una mejor clasificación de los espejos de agua, discriminando los efectos de sombra.
Figura 8. Comparación de dos imágenes en NDWI, (A) aplicación de umbrales sin
corrección de sombreado y pendiente, (B) con corrección de sombra y pendiente.
En la figura 9, se muestra la imagen con corrección topográfica realizada por el método
de corrección C por Teillet et al. (1982), obteniéndose casi los mismos resultados con las
imágenes sin corrección. Por lo tanto no es relevante realizar la corrección topográfica para el
tipo estudio. Lo importante en estos procesos es emplear métodos rápidos para discriminar
píxeles mal clasificados. Según Matsushita et al. (2007), la aplicación de índices de alguna
manera ayuda disminuir muchos errores en la imagen, como las condiciones atmosféricas,
que son los determinantes para la identificación y evitar una confusión de píxeles.
A
B
A
B
Anais XV Simpósio Brasileiro de Sensoriamento Remoto - SBSR, Curitiba, PR, Brasil, 30 de abril a 05 de maio de 2011, INPE p.7841
7841
Figura 9. Comparación de dos imágenes en NDWI, (A) con corrección de sombra y pendiente
y (B) con corrección topográfica.
Cuadro 2. Comparación de superficies identificadas mediante diferentes métodos de
corrección
Los resultados muestran que aplicando la corrección de sombra y pendiente se puede
discriminar mayor cantidad de cuerpos de agua mal clasificados, determinándose una
superficie de 94.55 Km2 y con corrección topográfica se obtuvo un área de 199.93 Km
2 .Lo
que indica que existe una diferencia de 105.38 Km2 de área sobrestimada entre la corrección
sombra-pendiente y la corrección topográfica.
4. Conclusiones
La utilización de diferentes metodologías como la generación de mascara de sombras y
pendientes, evita realizar trabajos muy complicados que requieren de tiempo de edición y con
resultados que en pocos casos son mejorados, como los procesos de la corrección topográfica
de las imágenes de satélite, es mejor corregir las imágenes de una manera práctica, que ayude
recolectar información de una manera muy rápida a partir de la creación de capas auxiliares
como mascaras de sombras y de pendientes para su una aplicación directa que ayudan a
excluir píxeles que no correspondan a un umbral de agua.
Se ha determinado que el EVI presenta mayor distorsión por el efecto del sombreado de
topografía, pero sin embargo presenta mejores resultados comparados con una clasificación
supervisada, debido que existe una mayor confusión de píxeles con las sombras. En cambio el
NDWI, mostraron los mejores resultados en la identificación de lagunas, porque se ven menos
afectadas por la topografía del terreno. La calidad de la información obtenida puede mejorar
con el uso de mascaras de sombras generados a partir del DEM, su ecuación sencilla permite
ser más recomendable y aplicable cuando se trabaja con diferentes sensores espaciales.
La aplicación de ambos índices es una alternativa más viable cuando se pretenda
inventariar lagunas en alta montaña a escalas regionales, de manera automatizada, en
comparación con los métodos tradicionales que demandan mayor tiempo de edición y
procesamiento, como la digitalización manual o la clasificación supervisada.
Corrección de sombra y pendiente Corrección topográfica
94.55 Km2
199.93 Km2
A
B
Anais XV Simpósio Brasileiro de Sensoriamento Remoto - SBSR, Curitiba, PR, Brasil, 30 de abril a 05 de maio de 2011, INPE p.7842
7842
Agradecimientos
Se agradece a la NASA por la disponibilidad gratuita de las imágenes de satélite Landsat,
los que hacen posible realizar muchas investigaciones en el campo de la teledetección
espacial, Así mismo se agradece a la iniciativa de Planet Action por la licencias otorgadas del
software ENVI+IDL y ArcGIS, los cuales permitieron el procesamiento de los datos.
Referencias Bibliográficas
Bunkei Matsushita, Wei Yang , Jin Chen , Yuyichi Onda and Guoyu Qiu. Sensitivity of the Enhanced Vegetation
Index (EVI) and Normalized Difference Vegetation Index (NDVI) to Topographic Effects: A Case Study in
High-Density Cypress Forest”, Sensors 2007, 7, p.2636-2651, 2007.
Chander, G., Markham, B.l. Revised Landsat-5 TM Radiometric calibration procedures and postcalibration
dynamic ranges. IEEE transactions on Geoscience and Remote Sensing. 41(11), p. 2674-2677, 2003.
Gao, B. NDWI—A normalized difference water index for remote sensing of vegetation liquid water from space,
Remote Sens. Environ., 58, p.257–266, 1996.
Huete, A., Justice, C., & Liu, H. Development of vegetation and soil indices for MODIS-EOS. Remote Sensing
of Environment, 49, p.224– 234, 1994.
Meyer, P., Itten, K. I., Kellenberger, T., Sandmeier, S. y Sandmeier, R. Radiometric correction of
topographically induced effects on Landsat TM data in an Alpine environment, ISPRS Journal of
Photogrammetry and Remote Sensing, Vol.48, No. 4, pp. 17-28, 1993.
Minnaert, J. L. The reciprocity principle in lunar photometry, Astrophysics Journal, Vol.93, p. 403-410, 1961.
ONERN. Inventario nacional de lagos y lagunas y represamiento. Segunda Aproximación. Lima, 1980, 406p.
Teillet, P.M., Guindon, B. y Goodenough, D.G. On the slope-aspect correction of multispectral scanner data,
Canadian Journal of Remote Sensing, 8(2), p. 1537-1540, 1982.
Anais XV Simpósio Brasileiro de Sensoriamento Remoto - SBSR, Curitiba, PR, Brasil, 30 de abril a 05 de maio de 2011, INPE p.7843
7843
Recommended